The human insights missing from big data | Tricia Wang

247,414 views ・ 2017-08-02

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

Fordító: Ádám Kósa Lektor: Péter Pallós
00:12
In ancient Greece,
0
12705
1545
Az ókori görögök,
00:15
when anyone from slaves to soldiers, poets and politicians,
1
15256
3943
rabszolgáktól a katonákig, költőktől a politikusokig,
00:19
needed to make a big decision on life's most important questions,
2
19223
4004
az élet olyan mindent eldöntő kérdéseinél,
00:23
like, "Should I get married?"
3
23251
1391
mint pl. "Házasodjak meg?",
00:24
or "Should we embark on this voyage?"
4
24666
1857
"Szálljak-e ma tengerre?",
00:26
or "Should our army advance into this territory?"
5
26547
2928
"Seregünk nyomuljon tovább ezen a területen?",
00:29
they all consulted the oracle.
6
29499
2579
az orákulum tanácsát kérték ki.
00:32
So this is how it worked:
7
32840
1440
Mindez így működött:
00:34
you would bring her a question and you would get on your knees,
8
34304
3112
Előálltak kérdésükkel, letérdepeltek,
00:37
and then she would go into this trance.
9
37440
1871
aztán a jósnő transzba esett.
00:39
It would take a couple of days,
10
39335
1549
Eltartott pár napig,
00:40
and then eventually she would come out of it,
11
40908
2163
de aztán végül visszatért,
00:43
giving you her predictions as your answer.
12
43095
2536
és jóslatában válaszolt a kérdésükre.
00:46
From the oracle bones of ancient China
13
46730
2566
Az ókori kínai jóslócsontoktól
00:49
to ancient Greece to Mayan calendars,
14
49320
2345
a görögökig és a maja naptárakig
00:51
people have craved for prophecy
15
51689
2296
az emberek remegve várták a jóslatokat,
00:54
in order to find out what's going to happen next.
16
54009
3137
hogy rájöjjenek, mi fog velük történni.
00:58
And that's because we all want to make the right decision.
17
58336
3239
Hiszen mindannyian a helyes döntést akarjuk meghozni.
01:01
We don't want to miss something.
18
61599
1545
A teljes képet akarjuk.
01:03
The future is scary,
19
63712
1743
A jövő ijesztő.
01:05
so it's much nicer knowing that we can make a decision
20
65479
2717
Sokkal jobb, ha döntéseink kimeneteléről
01:08
with some assurance of the outcome.
21
68220
1982
bizonyos megerősítéssel rendelkezünk.
01:10
Well, we have a new oracle,
22
70899
1611
Orákulumunk megújult.
01:12
and it's name is big data,
23
72534
2145
Big data lett a neve,
01:14
or we call it "Watson" or "deep learning" or "neural net."
24
74703
3939
de hívhatjuk Watsonnak, mélytanulásnak vagy neurális hálónak.
01:19
And these are the kinds of questions we ask of our oracle now,
25
79160
4012
Ma ilyeneket szoktunk kérdezni:
01:23
like, "What's the most efficient way to ship these phones
26
83196
3922
"Hogyan juttassuk el Kínából Svédországba
leghatékonyabban ezeket a telefonokat?"
01:27
from China to Sweden?"
27
87142
1823
01:28
Or, "What are the odds
28
88989
1800
Vagy "Mennyi az esélye,
01:30
of my child being born with a genetic disorder?"
29
90813
3363
hogy gyermekem genetikai rendellenességgel fog születni?",
01:34
Or, "What are the sales volume we can predict for this product?"
30
94772
3244
"Mekkora értékesítési volumen várható erre a termékre?"
01:39
I have a dog. Her name is Elle, and she hates the rain.
31
99928
4047
Ellle kutyám nem állhatja az esőt.
01:43
And I have tried everything to untrain her.
32
103999
3306
Mindent próbáltam, hogy leszoktassam róla.
01:47
But because I have failed at this,
33
107329
2771
Mivel ez nem sikerült,
01:50
I also have to consult an oracle, called Dark Sky,
34
110124
3286
tanácsot kellett kérnem a Dark Sky nevű orákulumtól,
01:53
every time before we go on a walk,
35
113434
1635
amely mindegy egyes séta előtt
01:55
for very accurate weather predictions in the next 10 minutes.
36
115093
3577
tízpercenkénti tűpontos időjárási előrejelzéssel lát el.
02:01
She's so sweet.
37
121355
1303
Nagyon tündéri.
02:03
So because of all of this, our oracle is a $122 billion industry.
38
123647
5707
Mindebből pedig orákulumunk 122 milliárd dolláros iparága következik.
02:09
Now, despite the size of this industry,
39
129826
3376
Az iparág mérete ellenére
02:13
the returns are surprisingly low.
40
133226
2456
a hozam meglepően alacsony.
02:16
Investing in big data is easy,
41
136162
2494
A big datába befektetni könnyű,
02:18
but using it is hard.
42
138680
1933
de haszonná tenni nehéz.
02:21
Over 73 percent of big data projects aren't even profitable,
43
141801
4040
A big data projektek 73 százaléka még csak nem is nyereséges.
02:25
and I have executives coming up to me saying,
44
145865
2431
Vezetők jönnek hozzám ezzel:
02:28
"We're experiencing the same thing.
45
148320
1789
"Ugyanezt tapasztaljuk.
02:30
We invested in some big data system,
46
150133
1753
Befektettünk big data rendszerekbe,
02:31
and our employees aren't making better decisions.
47
151910
2968
de alkalmazottaink nem hoznak jobb döntéseket.
02:34
And they're certainly not coming up with more breakthrough ideas."
48
154902
3162
És semmiképp sem álltak elő eredetibb ötletekkel."
02:38
So this is all really interesting to me,
49
158734
3184
Ez felkeltette az érdeklődésemet,
02:41
because I'm a technology ethnographer.
50
161942
2010
hisz műszaki néprajzzal foglalkozom.
02:44
I study and I advise companies
51
164450
2564
Cégeket vizsgálok, és tanácsot adok abban,
hogyan használják a technológiát az emberek.
02:47
on the patterns of how people use technology,
52
167038
2483
02:49
and one of my interest areas is data.
53
169545
2678
Egyik érdeklődési köröm pedig az adat.
02:52
So why is having more data not helping us make better decisions,
54
172247
5193
Miért nem hozunk jobb döntéseket több adatból,
02:57
especially for companies who have all these resources
55
177464
2783
különösen olyan cégeknél,
ahol minden forrás megvan a big data rendszerekhez?
03:00
to invest in these big data systems?
56
180271
1736
03:02
Why isn't it getting any easier for them?
57
182031
2398
Miért nem hoz nekik könnyítést?
03:05
So, I've witnessed the struggle firsthand.
58
185810
2634
Nehézségeiket első kézből ismerem.
03:09
In 2009, I started a research position with Nokia.
59
189194
3484
2009-ben kutatói megállapodást kötöttem a Nokiával.
03:13
And at the time,
60
193052
1158
Abban az időben
03:14
Nokia was one of the largest cell phone companies in the world,
61
194234
3158
a Nokia volt a világ egyik legnagyobb mobilgyártó cége,
03:17
dominating emerging markets like China, Mexico and India --
62
197416
3202
olyan feltörekvő piacokat uralva, mint Kína, Mexikó és India –
03:20
all places where I had done a lot of research
63
200642
2502
ahol rengeteget kutattam
03:23
on how low-income people use technology.
64
203168
2676
a kis keresetűek digitális szokásait.
03:25
And I spent a lot of extra time in China
65
205868
2330
Kínában pedig jóval tovább maradtam,
03:28
getting to know the informal economy.
66
208222
2592
hogy megismerjem az informális gazdaságot.
03:30
So I did things like working as a street vendor
67
210838
2401
Például utcai árusként
03:33
selling dumplings to construction workers.
68
213263
2574
gombócot árultam építőmunkásoknak,
03:35
Or I did fieldwork,
69
215861
1358
vagy terepmunkát végeztem,
03:37
spending nights and days in internet cafés,
70
217243
2958
éjt nappallá téve internetkávézókban,
03:40
hanging out with Chinese youth, so I could understand
71
220225
2546
kínai fiatalokkal lógva, hogy megértsem,
03:42
how they were using games and mobile phones
72
222795
2284
hogyan játszanak és telefonoznak,
03:45
and using it between moving from the rural areas to the cities.
73
225103
3370
miközben vidék és város közt közlekednek.
03:50
Through all of this qualitative evidence that I was gathering,
74
230155
3927
A felhalmozott kvalitatív adatok alapján
03:54
I was starting to see so clearly
75
234106
2824
körvonalazódni kezdett előttem
03:56
that a big change was about to happen among low-income Chinese people.
76
236954
4472
a kis keresetű kínaiakat érintő kialakuló hatalmas változás.
04:02
Even though they were surrounded by advertisements for luxury products
77
242840
4367
Annak ellenére, hogy luxustermékek,
04:07
like fancy toilets -- who wouldn't want one? --
78
247231
3495
pl. mindentudó vécék – ki ne akarna egyet? –,
04:10
and apartments and cars,
79
250750
2890
lakás- és autóreklámok vették körül őket,
04:13
through my conversations with them,
80
253664
1820
beszélgetéseink során világossá vált,
04:15
I found out that the ads the actually enticed them the most
81
255508
3841
hogy az őket leginkább megmozgató reklámok
04:19
were the ones for iPhones,
82
259373
1996
az iPhone-reklámok voltak,
04:21
promising them this entry into this high-tech life.
83
261393
3052
kitárva előttük e high-tech világ kapuját.
04:25
And even when I was living with them in urban slums like this one,
84
265289
3163
Még az ilyen szegénynegyedekben velük töltött idő alatt is azt láttam,
04:28
I saw people investing over half of their monthly income
85
268476
2996
hogy havi jövedelmük több mint felét
04:31
into buying a phone,
86
271496
1623
telefonra költik,
04:33
and increasingly, they were "shanzhai,"
87
273143
2302
amelyek inkább "shanzai"-k voltak,
04:35
which are affordable knock-offs of iPhones and other brands.
88
275469
3388
olcsón kapható iPhone-utánzatok.
04:40
They're very usable.
89
280123
1625
Szépen működnek.
04:42
Does the job.
90
282710
1322
Amire kell, elég.
04:44
And after years of living with migrants and working with them
91
284570
5789
Miután pedig éveket töltöttem és dolgoztam bevándorlókkal,
04:50
and just really doing everything that they were doing,
92
290383
3434
szimplán azt csinálva, amit ők,
04:53
I started piecing all these data points together --
93
293841
3597
minden kis adatpontot lassan összeillesztettem –
04:57
from the things that seem random, like me selling dumplings,
94
297462
3123
kezdve az alkalmi dolgokkal, mint pl. gombócárulásommal,
05:00
to the things that were more obvious,
95
300609
1804
addig, amelyek kézenfekvőbbek voltak,
05:02
like tracking how much they were spending on their cell phone bills.
96
302437
3232
mint például, hogy mennyit költöttek telefonszámlájukra.
05:05
And I was able to create this much more holistic picture
97
305693
2639
Ezekből pedig képes voltam
sokkal összefüggőbb képet felállítani.
05:08
of what was happening.
98
308356
1156
05:09
And that's when I started to realize
99
309536
1722
Ekkor kezdtem rájönni,
05:11
that even the poorest in China would want a smartphone,
100
311282
3509
hogy még a legszegényebb kínaiak is okostelefonra vágynak,
05:14
and that they would do almost anything to get their hands on one.
101
314815
4985
és mindent megtennének, hogy kezükbe kaparintsanak egyet.
05:20
You have to keep in mind,
102
320893
2404
De jusson eszünkbe,
05:23
iPhones had just come out, it was 2009,
103
323321
3084
hogy az iPhone-ok 2009-ben jelentek meg,
05:26
so this was, like, eight years ago,
104
326429
1885
tehát úgy nyolc évvel ezelőtt,
05:28
and Androids had just started looking like iPhones.
105
328338
2437
és az androidok akkor kezdtek el ugyanúgy kinézni.
05:30
And a lot of very smart and realistic people said,
106
330799
2507
Többen, akik észszerűen álltak hozzá, azt mondták:
05:33
"Those smartphones -- that's just a fad.
107
333330
2207
"Csak divattelefonok – majd elmúlik.
05:36
Who wants to carry around these heavy things
108
336063
2996
Ki szeretne egy nagydarab valamit cipelni magával,
05:39
where batteries drain quickly and they break every time you drop them?"
109
339083
3487
amikor az akku könnyen lemerül, és kis koccanástól összetörik?"
05:44
But I had a lot of data,
110
344613
1201
De elég adatom volt,
05:45
and I was very confident about my insights,
111
345838
2260
az eredményeim pedig megerősítettek,
05:48
so I was very excited to share them with Nokia.
112
348122
2829
és izgatottan vártam, hogy közöljem őket a Nokiával.
05:53
But Nokia was not convinced,
113
353152
2517
Őket viszont nem győztem meg,
05:55
because it wasn't big data.
114
355693
2335
hiszen nem "big data" volt, mert szerintük:
05:58
They said, "We have millions of data points,
115
358842
2404
"A millió adatpontból semmi sem mutatja,
06:01
and we don't see any indicators of anyone wanting to buy a smartphone,
116
361270
4247
miért akarnának okostelefont venni,
06:05
and your data set of 100, as diverse as it is, is too weak
117
365541
4388
és a 100 adathalmazodból, bármennyire sokrétűek is,
06:09
for us to even take seriously."
118
369953
1714
egyik sem mutat semmit."
06:12
And I said, "Nokia, you're right.
119
372728
1605
Erre én: "Igazad van, Nokia.
06:14
Of course you wouldn't see this,
120
374357
1560
Azért nem érted,
06:15
because you're sending out surveys assuming that people don't know
121
375941
3371
mert kiküldött kérdőíveid úgy állítják be az embereket,
mint akik nem ismerik az okostelefont,
06:19
what a smartphone is,
122
379336
1159
06:20
so of course you're not going to get any data back
123
380519
2366
így a visszakapott adatok nem fogják megmondani,
06:22
about people wanting to buy a smartphone in two years.
124
382909
2572
ki akar két éven belül okostelefont venni.
06:25
Your surveys, your methods have been designed
125
385505
2118
Módszereid arra tervezték,
06:27
to optimize an existing business model,
126
387647
2022
hogy optimalizálják a már létező üzleti modellt,
06:29
and I'm looking at these emergent human dynamics
127
389693
2608
míg én a még nem látható
feltörekvő emberi dinamikára összpontosítok.
06:32
that haven't happened yet.
128
392325
1354
06:33
We're looking outside of market dynamics
129
393703
2438
A piaci dinamikán kívülre kell helyeznünk magunk,
06:36
so that we can get ahead of it."
130
396165
1631
hogy képesek legyünk elébe vágni."
06:39
Well, you know what happened to Nokia?
131
399193
2244
A Nokiával pedig ugye mi történt?
06:41
Their business fell off a cliff.
132
401461
2365
Vállalatuk a mélybe zuhant.
06:44
This -- this is the cost of missing something.
133
404611
3727
A tandíj, ha valamit nem ismerünk fel.
06:48
It was unfathomable.
134
408983
1999
Abszurd az egész.
06:51
But Nokia's not alone.
135
411823
1651
De a Nokia nincs egyedül.
06:54
I see organizations throwing out data all the time
136
414078
2581
Más társaságok is folyton kidobnak adatokat,
06:56
because it didn't come from a quant model
137
416683
2561
ha nem számszerűek,
06:59
or it doesn't fit in one.
138
419268
1768
vagy nem illenek bele olyan modellbe.
07:02
But it's not big data's fault.
139
422039
2048
Nem a big data hibája ez,
07:04
It's the way we use big data; it's our responsibility.
140
424762
3907
hanem az, ahogyan azt használjuk; ez a mi felelősségünk.
07:09
Big data's reputation for success
141
429550
1911
A big data sikere abból ered,
07:11
comes from quantifying very specific environments,
142
431485
3759
hogy képes olyan jól körülhatárolt rendszerekből,
07:15
like electricity power grids or delivery logistics or genetic code,
143
435268
4913
mint pl. villamos hálózatok, szállítási logisztika, genetikai kód,
07:20
when we're quantifying in systems that are more or less contained.
144
440205
4318
számszerű következtetéseket levonni.
07:24
But not all systems are as neatly contained.
145
444547
2969
De nem minden rendszer olyan szépen körülhatárolt.
07:27
When you're quantifying and systems are more dynamic,
146
447540
3258
Ha dinamikusabb rendszereknél számszerűsítünk,
07:30
especially systems that involve human beings,
147
450822
3799
főleg ahol az emberi tényező is szerepet játszik
07:34
forces are complex and unpredictable,
148
454645
2426
a maga bonyolultságával és kiszámíthatatlanságával,
07:37
and these are things that we don't know how to model so well.
149
457095
3486
nem igazán tudjuk, hogyan modellezzünk.
07:41
Once you predict something about human behavior,
150
461024
2813
Ha egyszer kiszámítható lenne az emberi viselkedés,
07:43
new factors emerge,
151
463861
1855
új tényezők bukkannának fel,
07:45
because conditions are constantly changing.
152
465740
2365
hiszen a körülmények folyton változnak.
07:48
That's why it's a never-ending cycle.
153
468129
1803
A kör sohasem zárulna be.
07:49
You think you know something,
154
469956
1464
Hisszük, hogy felismertünk valamit,
07:51
and then something unknown enters the picture.
155
471444
2242
aztán egy ismeretlen belép a képbe.
07:53
And that's why just relying on big data alone
156
473710
3322
Ha csak egyedül a big datában bízunk,
07:57
increases the chance that we'll miss something,
157
477056
2849
nő az esélye, hogy figyelmen kívül hagyunk valamit,
07:59
while giving us this illusion that we already know everything.
158
479929
3777
miközben a mindentudás ábrándját kelti fel bennünk.
08:04
And what makes it really hard to see this paradox
159
484226
3856
A paradoxon felismerésének nehézsége,
08:08
and even wrap our brains around it
160
488106
2659
amit még agyunkkal felfogni sem könnyű,
08:10
is that we have this thing that I call the quantification bias,
161
490789
3691
abból jön, amit én úgy hívok: "kvantifikációs csapda",
08:14
which is the unconscious belief of valuing the measurable
162
494504
3922
amely a mérhetőnek a mérhetetlen feletti
08:18
over the immeasurable.
163
498450
1594
tudattalan felértékelése.
08:21
And we often experience this at our work.
164
501042
3284
Munkánkban pedig ez gyakran jelen van.
08:24
Maybe we work alongside colleagues who are like this,
165
504350
2650
Talán ilyen kollégák mellett dolgozunk,
08:27
or even our whole entire company may be like this,
166
507024
2428
vagy lehet, a cég egésze ilyen,
08:29
where people become so fixated on that number,
167
509476
2546
ahol az elemzők annyira a számok rabjai,
08:32
that they can't see anything outside of it,
168
512046
2067
hogy azokon kívül mást se látnak,
08:34
even when you present them evidence right in front of their face.
169
514137
3948
még akkor sem, ha az orruk elé toljuk a valós eredményeket.
08:38
And this is a very appealing message,
170
518943
3371
Ez pedig nagyon kecsegtető,
08:42
because there's nothing wrong with quantifying;
171
522338
2343
hiszen a számokkal semmi baj nincs,
08:44
it's actually very satisfying.
172
524705
1430
kellemes érzéssel töltenek el.
08:46
I get a great sense of comfort from looking at an Excel spreadsheet,
173
526159
4362
Egy Excel munkafüzet nyugalommal tölt el,
08:50
even very simple ones.
174
530545
1401
akár a legegyszerűbb is.
08:51
(Laughter)
175
531970
1014
(Nevetés)
08:53
It's just kind of like,
176
533008
1152
De ez olyan, mintha:
08:54
"Yes! The formula worked. It's all OK. Everything is under control."
177
534184
3504
"Ez az! A képlet működik. Minden oké. Ura vagyok a helyzetnek!"
08:58
But the problem is
178
538612
2390
A probléma ott kezdődik,
09:01
that quantifying is addictive.
179
541026
2661
hogy a számok függővé tesznek.
09:03
And when we forget that
180
543711
1382
És ha megfeledkezünk erről,
09:05
and when we don't have something to kind of keep that in check,
181
545117
3038
ha nincs valami, ami helyrerak,
09:08
it's very easy to just throw out data
182
548179
2118
adatokat könnyűszerrel dobálunk ki,
09:10
because it can't be expressed as a numerical value.
183
550321
2718
mindazt, ami nem fejezhető ki számokkal.
09:13
It's very easy just to slip into silver-bullet thinking,
184
553063
2921
A csodarecept-hozzáállásba könnyű belesüllyedni,
09:16
as if some simple solution existed.
185
556008
2579
mintha minden olyan egyszerű lenne.
09:19
Because this is a great moment of danger for any organization,
186
559420
4062
Mivel pedig ez bármely társaságra nagy veszélyt jelenthet,
09:23
because oftentimes, the future we need to predict --
187
563506
2634
és mivel gyakorta a kiszámított jövő –
09:26
it isn't in that haystack,
188
566164
2166
nem tű a szénakazalban,
09:28
but it's that tornado that's bearing down on us
189
568354
2538
hanem a kertünk alatti,
09:30
outside of the barn.
190
570916
1488
minket fenyegető tornádó.
09:34
There is no greater risk
191
574780
2326
Nincs nagyobb kockázat,
mint hátat fordítani az ismeretlennek.
09:37
than being blind to the unknown.
192
577130
1666
09:38
It can cause you to make the wrong decisions.
193
578820
2149
A rossz döntések felé térít el.
09:40
It can cause you to miss something big.
194
580993
1974
A nagy lehetőségektől szalaszt el.
09:43
But we don't have to go down this path.
195
583554
3101
De nem kell ezt az utat választanunk.
09:47
It turns out that the oracle of ancient Greece
196
587273
3195
A végén még a görög orákulum lámpása
09:50
holds the secret key that shows us the path forward.
197
590492
3966
fog nekünk utat mutatni.
09:55
Now, recent geological research has shown
198
595474
2595
Geológusok nemrégiben felfedezték,
09:58
that the Temple of Apollo, where the most famous oracle sat,
199
598093
3564
hogy Apolló temploma, a legjelentősebb jóshely,
10:01
was actually built over two earthquake faults.
200
601681
3084
két törésvonal mentén épült.
10:04
And these faults would release these petrochemical fumes
201
604789
2886
Innen pedig földkéreg alóli
10:07
from underneath the Earth's crust,
202
607699
1685
petrolkémiai anyagok törtek fel.
10:09
and the oracle literally sat right above these faults,
203
609408
3866
Az orákulum pedig pontosan e vonalak felett ült,
10:13
inhaling enormous amounts of ethylene gas, these fissures.
204
613298
3588
a hasadékból feltörő nagy mennyiségű etiléneket lélegezve be.
10:16
(Laughter)
205
616910
1008
10:17
It's true.
206
617942
1173
(Nevetés)
Így igaz.
10:19
(Laughter)
207
619139
1017
(Nevetés)
10:20
It's all true, and that's what made her babble and hallucinate
208
620180
3509
Ettől lettek zavartak szavai, így tudott hallucinálni
10:23
and go into this trance-like state.
209
623713
1724
és transzba esni.
10:25
She was high as a kite!
210
625461
1770
Csontrészeg volt!
10:27
(Laughter)
211
627255
4461
(Nevetés)
10:31
So how did anyone --
212
631740
2779
Tehát hogy...
hogy tudott akárkit is értelmes tanáccsal ellátni
10:34
How did anyone get any useful advice out of her
213
634543
3030
10:37
in this state?
214
637597
1190
abban az állapotban?
10:39
Well, you see those people surrounding the oracle?
215
639317
2381
Látjuk az őt körülvevőket?
10:41
You see those people holding her up,
216
641722
1879
Azok, akik támogatják,
10:43
because she's, like, a little woozy?
217
643625
1717
hiszen alig bír megállni a lábán.
10:45
And you see that guy on your left-hand side
218
645366
2308
Látják a bal oldali pasast,
10:47
holding the orange notebook?
219
647698
1598
aki a narancsszínű füzetet tartja?
10:49
Well, those were the temple guides,
220
649925
1730
Ők voltak az orákulum segítői,
10:51
and they worked hand in hand with the oracle.
221
651679
3016
akik szorosan együttműködtek vele.
10:55
When inquisitors would come and get on their knees,
222
655904
2516
A letérdelő érdeklődőt ők fogadták,
10:58
that's when the temple guides would get to work,
223
658444
2340
ekkor fogtak bele a munkába,
11:00
because after they asked her questions,
224
660808
1864
hiszen miután kikérdezték,
11:02
they would observe their emotional state,
225
662696
2001
érzelmi állapotát figyelték meg,
11:04
and then they would ask them follow-up questions,
226
664721
2324
amely után keresztkérdések következtek:
"Miért van szükséged a jóslatra? Ki vagy?
11:07
like, "Why do you want to know this prophecy? Who are you?
227
667069
2834
11:09
What are you going to do with this information?"
228
669927
2264
Mire fogod használni az információt?"
11:12
And then the temple guides would take this more ethnographic,
229
672215
3182
Majd a segítők inkább
11:15
this more qualitative information,
230
675421
2156
néprajzi jellegű, minőségi értelmet
11:17
and interpret the oracle's babblings.
231
677601
2075
adtak az orákulum hablatyolásának.
11:21
So the oracle didn't stand alone,
232
681248
2292
Az orákulum tehát másokra is támaszkodott,
11:23
and neither should our big data systems.
233
683564
2148
ahogy a big data rendszereknek is kellene.
11:26
Now to be clear,
234
686450
1161
De hadd tisztázzam,
11:27
I'm not saying that big data systems are huffing ethylene gas,
235
687635
3459
nem arról van szó, hogy ezek a rendszerek etilént árasztanak,
11:31
or that they're even giving invalid predictions.
236
691118
2353
vagy hogy félrevezetnek a jövőt illetően.
11:33
The total opposite.
237
693495
1161
Pont az ellenkezője.
11:34
But what I am saying
238
694680
2068
Arról van szó,
11:36
is that in the same way that the oracle needed her temple guides,
239
696772
3832
hogy ahogy az orákulumnak kellettek, akik a templomban kalauzoltak,
11:40
our big data systems need them, too.
240
700628
2288
úgy a big data rendszereknek is kell.
11:42
They need people like ethnographers and user researchers
241
702940
4109
Szükségük van pl. néprajzosokra, felhasználó-kutatókra,
11:47
who can gather what I call thick data.
242
707073
2506
akik képesek ún. "sűrű adatot" gyűjteni.
11:50
This is precious data from humans,
243
710322
2991
Olyan értékes emberi adatokat,
11:53
like stories, emotions and interactions that cannot be quantified.
244
713337
4102
mint sztorik, érzelmek, érintkezések, amelyeket nem lehet számszerűsíteni.
11:57
It's the kind of data that I collected for Nokia
245
717463
2322
Ilyen adatokat gyűjtöttem a Nokiának,
11:59
that comes in in the form of a very small sample size,
246
719809
2669
amelyek mintamérete minimális,
12:02
but delivers incredible depth of meaning.
247
722502
2955
de elképesztően gazdag jelentéssel szolgálnak.
12:05
And what makes it so thick and meaty
248
725481
3680
Ami pedig sűrűvé és ragadóssá teszi,
12:10
is the experience of understanding the human narrative.
249
730265
4029
az a tapasztalat, hogy megértsük az emberi narratívát.
12:14
And that's what helps to see what's missing in our models.
250
734318
3639
Ez mutat rá a modellünk hiányosságaira.
12:18
Thick data grounds our business questions in human questions,
251
738671
4045
A sűrű adat üzleti kérdéseinket az emberi kérdések szintjére hozza,
12:22
and that's why integrating big and thick data
252
742740
3562
a big data és a sűrű adat együttes használatával
12:26
forms a more complete picture.
253
746326
1689
így tudjuk megalkotni a teljes képet.
12:28
Big data is able to offer insights at scale
254
748592
2881
A big data méretbeli összefüggésekre mutat rá,
12:31
and leverage the best of machine intelligence,
255
751497
2647
és a gépi intelligenciából a legjobbat hozza ki,
12:34
whereas thick data can help us rescue the context loss
256
754168
3572
a sűrű adat pedig a kontextust nem hagyja szem elől téveszteni,
12:37
that comes from making big data usable,
257
757764
2098
hiszen a big data válik használhatóvá,
12:39
and leverage the best of human intelligence.
258
759886
2181
az emberi intelligenciából a legjobbat hozva ki.
12:42
And when you actually integrate the two, that's when things get really fun,
259
762091
3552
Együtt használva pedig a kettőt, a dolgok még mókásabbak lesznek,
12:45
because then you're no longer just working with data
260
765667
2436
hiszen nem csupán
a már begyűjtött adatokkal dolgozunk,
12:48
you've already collected.
261
768127
1196
12:49
You get to also work with data that hasn't been collected.
262
769347
2737
hanem a még be nem gyűjtöttekkel is.
12:52
You get to ask questions about why:
263
772108
1719
És ilyenkor jön az, hogy miért:
12:53
Why is this happening?
264
773851
1317
Miért van így?
12:55
Now, when Netflix did this,
265
775598
1379
Amikor a Netflix így tett,
12:57
they unlocked a whole new way to transform their business.
266
777001
3035
vállalatuk gyökeres átalakításának nyitott utat.
13:01
Netflix is known for their really great recommendation algorithm,
267
781226
3956
A Netflix kiváló ajánlórendszerének fejlesztésére versenyt hirdettek,
13:05
and they had this $1 million prize for anyone who could improve it.
268
785206
4797
és a győztes egymillió dollár jutalomban részesülhetett.
13:10
And there were winners.
269
790027
1314
Voltak, akik megnyerték.
13:12
But Netflix discovered the improvements were only incremental.
270
792075
4323
Bár a Netflix szerint ezek apró finomítások voltak.
13:17
So to really find out what was going on,
271
797224
1964
Hogy jobban beleássák magukat,
13:19
they hired an ethnographer, Grant McCracken,
272
799212
3741
felvették Grant McCracken néprajzost
13:22
to gather thick data insights.
273
802977
1546
a sűrű adatok kielemzésére.
13:24
And what he discovered was something that they hadn't seen initially
274
804547
3924
Eredményeivel pedig rámutatott arra,
ami az eddigi kvantitatív elemzésekből kimaradt.
13:28
in the quantitative data.
275
808495
1355
13:30
He discovered that people loved to binge-watch.
276
810892
2728
Azaz, hogy az emberek imádják a tévémaratonokat.
13:33
In fact, people didn't even feel guilty about it.
277
813644
2353
Még csak nincs is lelkiismeret-furdalásuk.
13:36
They enjoyed it.
278
816021
1255
Élvezik őket.
13:37
(Laughter)
279
817300
1026
(Nevetés)
13:38
So Netflix was like, "Oh. This is a new insight."
280
818350
2356
A Netflix pedig: "Igen, ez új eredmény."
13:40
So they went to their data science team,
281
820730
1938
Aztán visszamentek adatelemzőikhez,
13:42
and they were able to scale this big data insight
282
822692
2318
és ők hozzá tudták ezeket rendelni
13:45
in with their quantitative data.
283
825034
2587
a big data nyújtotta adatokhoz.
13:47
And once they verified it and validated it,
284
827645
3170
Miután pedig az algoritmust hitelesítették és érvényesítették,
13:50
Netflix decided to do something very simple but impactful.
285
830839
4761
a Netflix egyszerű, de hatásos tettre szánta el magát:
13:56
They said, instead of offering the same show from different genres
286
836654
6492
Ahelyett, hogy más-más műfajú műsorokat
14:03
or more of the different shows from similar users,
287
843170
3888
vagy különböző műsorokat hasonló típusú nézőiknek ajánlanák,
14:07
we'll just offer more of the same show.
288
847082
2554
ugyanabból a műsorból többet adnak le.
14:09
We'll make it easier for you to binge-watch.
289
849660
2105
Így jobban ráállnak a maratonokra.
14:11
And they didn't stop there.
290
851789
1486
De nem álltak meg.
14:13
They did all these things
291
853299
1474
Ezzel teljesen új alapokra helyezték
14:14
to redesign their entire viewer experience,
292
854797
2959
a cégük nyújtotta műsorélményt,
14:17
to really encourage binge-watching.
293
857780
1758
hogy tévémaratonokra buzdítsanak.
14:20
It's why people and friends disappear for whole weekends at a time,
294
860050
3241
Ezért vannak olyan ismerősök, akik hétvégékre tűnnek el,
14:23
catching up on shows like "Master of None."
295
863315
2343
hogy bejezzék pl. a "Majdnem elég jó"-t.
14:25
By integrating big data and thick data, they not only improved their business,
296
865682
4173
A big data és a sűrű adat együttesen nem csupán vállalatuk fejlődését hozta,
14:29
but they transformed how we consume media.
297
869879
2812
de médiaszokásainkat is átformálták.
14:32
And now their stocks are projected to double in the next few years.
298
872715
4552
Részvényáraik néhány éven belül megduplázódhatnak.
14:38
But this isn't just about watching more videos
299
878100
3830
De nem csak több videónézésről van szó
14:41
or selling more smartphones.
300
881954
1620
vagy több okostelefon-eladásról.
14:43
For some, integrating thick data insights into the algorithm
301
883963
4050
Páraknak a sűrű adat használata algoritmusoknál
14:48
could mean life or death,
302
888037
2263
élet-halál kérdését jelentheti.
14:50
especially for the marginalized.
303
890324
2146
Különösen a kirekesztetteknél.
14:53
All around the country, police departments are using big data
304
893558
3434
A rendőrség országszerte használ big datát
14:57
for predictive policing,
305
897016
1963
bűnügyi előrejelzés céljából
14:59
to set bond amounts and sentencing recommendations
306
899003
3084
az óvadékok meghatározásánál és az ítéletek kiszabásánál,
15:02
in ways that reinforce existing biases.
307
902111
3147
amely létező előítéleteket erősít meg.
15:06
NSA's Skynet machine learning algorithm
308
906116
2423
A NSA Skynet mélytanuló algoritmusa
15:08
has possibly aided in the deaths of thousands of civilians in Pakistan
309
908563
5444
több ezer pakisztáni halálához segíthetett hozzá azzal,
15:14
from misreading cellular device metadata.
310
914031
2721
hogy mobilhálózati metaadatokat olvasott félre.
15:18
As all of our lives become more automated,
311
918951
3403
Az életünk egyre nagyobb automatizálása,
15:22
from automobiles to health insurance or to employment,
312
922378
3080
az autók, életbiztosítás, munkavállalás terén
15:25
it is likely that all of us
313
925482
2350
mindannyiunknál maga után vonja
15:27
will be impacted by the quantification bias.
314
927856
2989
a kvantifikációs csapdát.
15:32
Now, the good news is that we've come a long way
315
932792
2621
De a jó hír az, hogy nagy utat jártunk be
15:35
from huffing ethylene gas to make predictions.
316
935437
2450
az etiléngáz adta előrejelzésektől.
15:37
We have better tools, so let's just use them better.
317
937911
3070
Jobb eszközeinket használjuk jobban!
15:41
Let's integrate the big data with the thick data.
318
941005
2323
Egyesítsük a big datát a sűrű adattal!
15:43
Let's bring our temple guides with the oracles,
319
943352
2261
Ne felejtsük el az orákulum segítőit,
15:45
and whether this work happens in companies or nonprofits
320
945637
3376
akár non-profit vállalatokkal, cégekkel, az állammal van dolgunk,
15:49
or government or even in the software,
321
949037
2469
vagy épp csak a szoftverrel,
15:51
all of it matters,
322
951530
1792
mindez számít,
15:53
because that means we're collectively committed
323
953346
3023
mert ezáltal vagyunk együttesen elkötelezettek
15:56
to making better data,
324
956393
2191
a jobb adatteremtés,
15:58
better algorithms, better outputs
325
958608
1836
a jobb algoritmusok, eredmények
16:00
and better decisions.
326
960468
1643
és jobb döntések iránt.
16:02
This is how we'll avoid missing that something.
327
962135
3558
Így kerülhetjük el, hogy azt a valamit ne ismerjük fel.
16:07
(Applause)
328
967042
3948
(Taps)
Erről a weboldalról

Ez az oldal olyan YouTube-videókat mutat be, amelyek hasznosak az angol nyelvtanuláshoz. A világ minden tájáról származó, kiváló tanárok által tartott angol leckéket láthatsz. Az egyes videók oldalán megjelenő angol feliratokra duplán kattintva onnan játszhatja le a videót. A feliratok a videó lejátszásával szinkronban gördülnek. Ha bármilyen észrevétele vagy kérése van, kérjük, lépjen kapcsolatba velünk ezen a kapcsolatfelvételi űrlapon.

https://forms.gle/WvT1wiN1qDtmnspy7